CN112736268B - 一种提高sofc系统寿命的控制优化方法和系统 - Google Patents

一种提高sofc系统寿命的控制优化方法和系统 Download PDF

Info

Publication number
CN112736268B
CN112736268B CN202011498683.XA CN202011498683A CN112736268B CN 112736268 B CN112736268 B CN 112736268B CN 202011498683 A CN202011498683 A CN 202011498683A CN 112736268 B CN112736268 B CN 112736268B
Authority
CN
China
Prior art keywords
stack
net
attenuation
fuel
temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011498683.XA
Other languages
English (en)
Other versions
CN112736268A (zh
Inventor
蒋建华
秦宏川
汪浩
徐豪
成喆
李曦
邓忠华
李箭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011498683.XA priority Critical patent/CN112736268B/zh
Publication of CN112736268A publication Critical patent/CN112736268A/zh
Application granted granted Critical
Publication of CN112736268B publication Critical patent/CN112736268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种提高SOFC系统寿命的控制优化方法和系统，属于燃料电池控制领域。本发明首先通过历史数据训练模糊神经网络，得到系统输入、时间与衰减电压的关系，并结合机理模型，构建数据‑机理结合的固体氧化物燃料电池系统衰减模型；其次，利用该模型获得长时间尺度下的数据，获得不同目标功率下，三个关键状态量在不同情况下对应的衰减速率，从中选取衰减速率处于较优区间时对应的关键状态量的取值范围，即可作为三个关键状态量的最优工作区间。将这些关键状态量进行有效的控制，可保证对系统衰减的影响是最小的，从而实现长寿且高效的控制。

Description

一种提高SOFC系统寿命的控制优化方法和系统
技术领域
本发明属于燃料电池控制领域，更具体地，涉及一种提高SOFC系统寿命的控制优化方法和系统。
背景技术
燃料电池作为一种高效率、低排放的能源转换技术，通过电化学反映将存储在燃料(如氢气、甲烷)中的化学能直接转化为电能。其中，中温固体氧化物燃料电池(SolidOxide Fuel Cell，SOFC)以其全固体结构、良好的燃料适应性的优点，并且发电效率可达60％以上，通过CHP(热电联产)回收能量效率达到90％以上，是当今最具发展前景的能源转换技术之一。经过数十年发展，SOFC技术在材料、电堆制造、系统集成等方面已经逐渐走向成熟，许多公司也成功地展示了SOFC系统，但寿命较短的问题仍然是阻碍着其大规模商业化应用的瓶颈。
影响SOFC系统寿命的关键因素主要有三点：首先是SOFC电堆的固有特性，如材料和加工工艺让电堆自身所具有的性能，其在理想工况下会产生一个基础的自然衰减，其次是系统运行时所应用的操作点并非最优，导致了系统的自然衰减加速，第三则是在长期运行中，控制系统未能识别系统衰减累积导致的系统输入输出特性变化，控制参数不匹配当前系统状态，控制率失调，进一步导致系统工作状态恶化，加速系统的自然衰减。以上三个因素的叠加导致SOFC系统衰减速率加大，系统寿命大幅下降。
一方面，系统衰减是必然的，然而系统当前的健康状态是难以观测的，系统的状态通常都是随着时间越来越差直至故障停机，而系统衰减会对系统的正常运行造成影响，轻则消耗更多的燃料，难以达到额定功率或温度，重则系统控制失效，导致系统电堆发生不可逆的损坏而无法正常工作。另一方面，系统中电堆等主要部件衰减到一定程度时需要更换，而这些部件本身的成本较高，每次更换都会带来较大的损失，衰减的不可控甚至快速衰减会对系统运行成本带来极大的负担。而系统衰减中以电堆衰减为主要影响因素。
电堆的工作温度处于700摄氏度以上的高温，且燃料利用率不足时发生的燃料亏空会对内部材料性能造成不可逆的影响，故电堆的健康状态与其自身温度及电堆的燃料利用率高度相关。而目前的控制器又因没有良好的参考轨迹而难以有效控制电堆平均温度、电堆最大温度梯度、燃料利用率这三个关键状态量。
因此，如何获得系统电堆关键状态量的最优工作区间，使得对电堆衰减的影响最小，是实现系统长寿命控制的关键所在。目前关于控制研究主要都是针对运行状态较为稳定的系统，但是衰减会导致系统特性发生变化，原有的控制率将不适合衰减后的系统，导致控制不匹配甚至失效。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种提高SOFC系统寿命的控制优化方法和系统，其目的在于解决现有健康状态难以获取，且难以有效降低系统衰减速率，导致系统寿命快速降低的技术问题。
为实现上述目的，按照本发明的第一方面，提供了一种提高SOFC系统寿命的控制优化方法，该方法包括：
(S1)将SOFC系统的输入作为决策变量，即一组操作点，将SOFC系统效率最大作为优化目标，求得不同目标功率、不同目标关键状态量下，能使系统满足温度约束、效率最大且满足目标功率的最优操作点；
(S2)向SOFC系统衰减模型输入最优操作点集合，获得衰减模型在不同输入的情况下，系统三个关键状态量及输出数据，三个关键状态量包含电堆平均温度、电堆最大温度梯度、燃料利用率，输出数据包含衰减速率、系统效率、系统输出功率和系统运行时间；
(S3)根据所获得的输入输出数据，在不同目标功率下，构建衰减速率与三个关键状态量及系统运行时间之间一对四的关系模型；
(S4)根据所构建的关系模型，计算获得在不同目标功率下，随着系统运行时间变化，三个关键状态量对系统衰减影响最小的最优参考值；
(S5)基于三个关键状态量随时间变化的最优参考值对实际SOFC系统进行控制优化；
所述SOFC系统衰减模型为电堆部分的电特性机理中加入系统输入、时间与电堆衰减电压的关系；所述系统输入、时间与电堆衰减电压的关系通过预训练模糊神经网络学习得到，预训练过程中模糊神经网络的输入为SOFC历史系统输入和系统运行时间，输出为对应的电堆衰减电压。
优选地，系统输入包括：燃料流量、空气流量、电堆电流；
所述系统输入、时间与电堆衰减电压的关系表示为：
ΔU＝F[F_fuel，F_air，I，Time]
其中，ΔU为电堆衰减电压，F_fuel为燃料流量，F_air为空气流量，I为电堆电流，Time为系统运行时间，F[·]为模糊神经网络。
优选地，所述SOFC系统衰减模型中电堆电特性表示如下：
Figure BDA0002842964380000031
χ＝1000/(TPEN-273)-1.1463
其中，Vcell为电堆单电池的电压，VOCV为单电池的开路电压，i为单电池的电流密度，αj为多项式系数，j＝1，2，3，4，χ为电阻温度参数，ΔU为电堆衰减电压，I为电堆电流，TPEN为电堆PEN的温度。
优选地，一组操作点包括电堆电流、重整器烟气分流比、燃烧室燃料旁路流量、空气旁路流量、燃料流量和空气流量。
优选地，通过遗传-粒子群算法求解最优操作点，具体如下：
根据目标功率，首先为操作点定义合理的初始位置；
然后在初始位置周围随机产生操作点组合群体；
根据每个群体的目标函数评估其适应度，将最优群体的操作点组合应用于新一轮迭代的操作点，并以一定的概率遗传之前的操作点；
接着检查判定是否满足最优目标函数以及约束，若满足则停止检查，否则，继续在新的操作点位置周围随机产生操作点组合群体；
往复迭代，最终获得能使系统满足温度约束、效率最大且满足目标功率的最优操作点。
优选地，约束条件如下：
-0.005Pnet＜Pnet-P＜0.005Pnet
Tb≤1273
Tr≤1173
|maxTPEN|≤1173
|maxΔTPEN|≤8
|ΔTin|≤200
-0.05Ts，net＜Ts，net-Ts＜0.05Ts，net
-0.05Tg，net＜Tg，net-Tg＜0.05Tg，net
-0.05ηfuel，net-10＜ηfuel＜0.05ηfuel，net
其中，P为系统输出功率，Pnet为目标功率，Tb为燃烧室温度，Tr为重整器温度，maxTPEN为电堆PEN层最大温度，|maxΔTPEN|为电堆PEN层最大温度梯度，|ΔTin|为电堆入口温差，Ts为电堆平均温度，Ts，net为目标电堆平均温度，Tg为最大电堆温度梯度，Tg，net为目标最大电堆温度梯度，ηfuel为燃料利用率，ηfuel，net为目标燃料利用率。
优选地，衰减速率定义如下：
dr＝ΔU·I/((ΔU·I+P)Time)
其中，dr为衰减速率，ΔU为电堆衰减电压，I为电堆电流，P为系统输出功率，Time为系统运行时间。
为实现上述目的，按照本发明的第二方面，提供了一种提高SOFC系统寿命的控制优化系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的提高SOFC系统寿命的控制优化方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明首先通过模糊神经网络训练历史数据，得到系统输入、时间与衰减电压的关系，并结合过往的机理模型，构建数据-机理结合的固体氧化物燃料电池(SOFC)系统衰减模型；其次，利用该模型获得长时间尺度下的数据，获得不同目标功率下，三个关键状态量在不同情况下对应的衰减速率，从中选取衰减速率处于较优区间时对应的关键状态量的取值范围，即可作为三个关键状态量的最优工作区间。通过优化控制系统参数，对这些关键状态量进行有效的控制，可保证对衰减的影响是最小的，使SOFC系统始终在最优的工作状态下运行，从而实现长寿且高效的控制。给固体氧化物燃料电池长寿高效的控制提供了有效的依据，适用于实际工程的应用。
附图说明
图1为本发明提供的一种提高SOFC系统寿命的控制优化方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种提高SOFC系统寿命的控制优化方法，包括：
应用模糊神经网络，将燃料电池系统历史数据中的固体氧化物燃料电池系统输入以及对应的系统运行时间共四个变量作为训练模糊神经网络模型的输入，其中系统输入包括：燃料流量、空气流量、电堆电流，将燃料电池系统历史数据中的电堆衰减电压作为训练模糊神经网络模型的输出(如果固体氧化物燃料电池系统有多个电堆，那么每个电堆将单独分析)，基于SOFC的特性设置输入输出变量语言值的模糊子集，误差即模糊量设置为0.1，每个变量定义了3个隶属函数，选择重心法作为解模糊化方法来判决出一个确切的精确量，训练周期设为100，并进行训练。训练所得的模型即可反映系统输入、时间与电堆衰减电压的关系，该关系表示为：
ΔU＝F[F_fuel，F_air，I，Time]
其中，ΔU为电堆衰减电压，F_fuel为燃料流量，F_air为空气流量，I为电堆电流，Time为系统运行时间，F[·]为模糊神经网络。
现有的机理模型以质量守恒定律、能量守恒定律和电特性机理为基础，包含风机、水泵、燃烧室、重整器、换热器、电堆六个部分，其中电堆部分为2D机理模型，重整器与换热器为1D机理模型，其余部件为集总参数模型；
其中，电堆部分的电特性机理能有效反映电堆电压与电堆电阻的关系，机理如下：
Vcell＝VOCV-iRcell
其中，ΔU为电堆衰减电压，F_fuel为燃料流量，F_air为空气流量，I为电堆电流，Time为系统运行时间，F[·]为模糊神经网络，等效内阻Rcell是与电池温度相关的非线性的多项式形式，如下所示：
Rcell＝α0+α1χ+α2χ2+α3χ3+α4χ4
χ＝1000/(TPEN-273)-1.1463
其中，TPEN为电堆PEN的温度，本发明中温度的单位均为开尔，χ是电阻的温度参数，αj为多项式系数，j＝1，2，3，4。
向所述的机理模型的电堆部分的电特性机理中加入该反映系统输入、时间与电堆衰减电压的关系模型后，电堆的新电特性机理如下：
Figure BDA0002842964380000071
使得电堆电压会随着系统输入和时间的变化而发生衰减，从而获得固体氧化物燃料电池系统衰减模型。
向所建立的固体氧化物燃料电池系统衰减模型输入与历史数据相同的系统操作点，包括：电堆电流I、重整器烟气分流比Pr、燃烧室燃料旁路流量BP1、空气旁路流量BP2、燃料流量F_fuel和空气流量F_air，衰减模型可以得到相对应的输出，包括：系统功率、电堆电压、电堆平均温度、电堆最大温度梯度、电堆PEN层最大温度梯度、电堆PEN层最大温度、燃烧室温度、重整器温度、换热器温度，并将衰减模型的输出与历史数据进行对比，模型仿真特性与系统实际特性匹配良好，即对该模型的热特性与电特性进行了验证，保证了固体氧化物燃料电池系统衰减模型的准确性。
基于所述的衰减模型，选择衰减模型的输入作为决策变量，即一组操作点，包含6个输入变量的数组，分别为固体氧化物燃料电池系统的6个输入变量：
X＝(I，Pr，BP1，BP2，F_fuel，F_air)∈R6
选择衰减模型效率为优化目标，系统效率最大为最终目的。
所述的优化目标为算法最大诉求，目标函数F定义如下：
minF＝-SE(X)
其中，SE(X)为系统效率。
选择约束目标为系统功率及多个系统温度，分别为系统输出功率P及多个系统温度，包含燃烧室温度Tb、重整器温度Tr、电堆PEN层最大温度梯度|maxΔTPEN|、电堆PEN层最大温度maxTPEN、电堆入口温差|ΔTin|、电堆平均温度Ts、目标电堆平均温度Ts，net、最大电堆温度梯度Tg、目标最大电堆温度梯度Tg，net，燃料利用率ηfuel、目标燃料利用率ηfuel，net、功率输出P与目标功率Pnet以及所有温度应满足以下关系：
-0.005Pnet＜Pnet-P＜0.005Pnet
Tb≤1273
Tr≤1173
|maxTPEN|≤1173
|maxΔTPEN|≤8
|ΔTin|≤200
-0.05Ts，net＜Ts，net-Ts＜0.05Ts，net
-0.05Tg，net＜Tg，net-Tg＜0.05Tg，net
-0.05ηfuel，net-10＜ηfuel＜0.05ηfuel，net
以上作为遗传-粒子群算法的目标函数与约束设置，接着通过算法计算求得最优操作点，其原理为根据目标功率，首先为操作点定义合理的初始位置，然后在初始位置周围随机产生分配方案群体，根据每个群体的目标函数评估其适应度，将最优群体的分配方案应用于新一轮迭代的操作点，并以一定的概率遗传之前的操作点，接着检查判定是否满足最优目标函数以及约束，若满足则停止检查，否则继续在新的操作点位置周围随机产生分配方案群体，并往复迭代，最终获得能使系统满足温度约束、效率最大且满足目标功率的最优操作点。
向所建立并验证的固体氧化物燃料电池系统衰减模型中，输入所获得的最优操作点集合，并使衰减模型进行长时间的运行，获得在长时间尺度下(本实施例中为1000小时)，系统各个状态量及输出的数据集，包含电堆平均温度、电堆最大温度梯度、燃料利用率、衰减速率、系统效率、系统输出功率和系统运行时间。其中衰减速率dr定义如下：
dr＝ΔU·I/((ΔU·I+P)Time)
基于数据，对不同目标功率下的最优操作点及对应输出数据，选择电堆平均温度、电堆最大温度梯度、燃料利用率三个关键状态量在不同情况下对应的衰减速率，对不同的燃料利用率，分别画出以电堆平均温度为横轴，电堆最大温度梯度为纵轴，对应的衰减速率以颜色填充二维图并绘制出等高线。
按此方法可较好的展示不同功率下，不同的电堆平均温度、电堆最大温度梯度、燃料利用率对应的衰减速率。从而获得对于不同目标功率，在不同的燃料利用率时，不同的电堆平均温度与电堆最大温度梯度对应的衰减速率，并可利用等高线图，获得衰减速率小于0.02/kh的区间范围，即可确定处于较优区间时的衰减速率。
表1为SOFC系统运行1000小时，不同操作点下的电堆平均温度、衰减速率与系统效率的表格示例。
Figure BDA0002842964380000091
表1
根据处于较优区间的衰减速率，即可获取对应的三个关键状态量的取值范围，该范围即为三个关键状态量对系统衰减影响最小的最优参考值。从而给固体氧化物燃料电池长寿高效的控制提供了有效的依据，适用于实际工程的应用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种提高SOFC系统寿命的控制优化方法，其特征在于，该方法包括：
(S1)将SOFC系统的输入作为决策变量，即一组操作点，所述一组操作点包括电堆电流、重整器烟气分流比、燃烧室燃料旁路流量、空气旁路流量、燃料流量和空气流量，将SOFC系统效率最大作为优化目标，求得不同目标功率、不同目标关键状态量下，能使系统满足温度约束、效率最大且满足目标功率和目标关键状态量的最优操作点；
(S2)向SOFC系统衰减模型输入最优操作点集合，获得衰减模型在不同输入的情况下，系统三个关键状态量及输出数据，三个关键状态量包含电堆平均温度、电堆最大温度梯度、燃料利用率，输出数据包含衰减速率、系统效率、系统输出功率和系统运行时间；
(S3)根据所获得的输入输出数据，在不同目标功率下，获得衰减速率与三个关键状态量之间一对三的映射关系；
(S4)选取衰减速率小于0.02/kh时，对应的三个关键状态量的取值范围，作为三个关键状态量的最优工作区间；
(S5)基于三个关键状态量的最优工作区间对实际SOFC系统进行控制优化；
所述SOFC系统衰减模型为电堆部分的电特性机理中加入SOFC系统输入、时间与电堆衰减电压的关系；所述SOFC系统输入、时间与电堆衰减电压的关系通过预训练模糊神经网络学习得到，所述SOFC系统输入包括：燃料流量、空气流量、电堆电流，预训练过程中模糊神经网络的输入为SOFC系统历史输入和系统运行时间，输出为对应的电堆衰减电压。
2.如权利要求1所述的方法，其特征在于，所述SOFC系统衰减模型中电堆电特性表示如下：
Figure FDA0003350269210000021
χ＝1000/(TPEN-273)-1.1463
其中，Vcell为电堆单电池的电压，VOCV为单电池的开路电压，i为单电池的电流密度，αj为多项式系数，j＝0，1，2，3，4，χ为电阻温度参数，ΔU为电堆衰减电压，I为电堆电流，TPEN为电堆PEN的温度。
3.如权利要求1所述的方法，其特征在于，通过遗传-粒子群算法求解最优操作点，具体如下：
根据目标功率，首先为操作点定义初始位置；
然后在初始位置周围随机产生操作点组合群体；
根据每个群体的目标函数评估其适应度，将最优群体的操作点组合应用于新一轮迭代的操作点，并以一定的概率遗传之前的操作点；
接着检查是否满足最优目标函数以及约束，若满足则停止检查，否则，继续在新的操作点位置周围随机产生操作点组合群体；
往复迭代，最终获得能使系统满足温度约束、效率最大且满足目标功率的最优操作点。
4.如权利要求1所述的方法，其特征在于，约束条件如下：
-0.005Pnet＜Pnet-P＜0.005Pnet
Tb≤1273
Tr≤1173
|maxTPEN|≤1173
|maxΔTPEN|≤8
|ΔTin|≤200
-0.05Ts，net＜Ts，net-Ts＜0.05Ts，net
-0.05Tg，net＜Tg，net-Tg＜0.05Tg，net
-0.05ηfuel，net-10＜ηfuel＜0.05ηfuel，net
其中，P为系统输出功率，Pnet为目标功率，Tb为燃烧室温度，Tr为重整器温度，maxTPEN为电堆PEN层最大温度，|maxΔTPEN|为电堆PEN层最大温度梯度，|ΔTin|为电堆入口温差，Ts为电堆平均温度，Ts，net为目标电堆平均温度，Tg为最大电堆温度梯度，Tg，net为目标最大电堆温度梯度，ηfuel为燃料利用率，ηfuel，net为目标燃料利用率。
5.如权利要求1所述的方法，其特征在于，衰减速率定义如下：
dr＝ΔU·I/((ΔU·I+P)Time)
其中，dr为衰减速率，ΔU为电堆衰减电压，I为电堆电流，P为系统输出功率，Time为系统运行时间。
6.一种提高SOFC系统寿命的控制优化系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的提高SOFC系统寿命的控制优化方法。
CN202011498683.XA 2020-12-17 2020-12-17 一种提高sofc系统寿命的控制优化方法和系统 Active CN112736268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011498683.XA CN112736268B (zh) 2020-12-17 2020-12-17 一种提高sofc系统寿命的控制优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011498683.XA CN112736268B (zh) 2020-12-17 2020-12-17 一种提高sofc系统寿命的控制优化方法和系统

Publications (2)

Publication Number Publication Date
CN112736268A CN112736268A (zh) 2021-04-30
CN112736268B true CN112736268B (zh) 2022-02-15

Family

ID=75603096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011498683.XA Active CN112736268B (zh) 2020-12-17 2020-12-17 一种提高sofc系统寿命的控制优化方法和系统

Country Status (1)

Country Link
CN (1) CN112736268B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022029734A1 (en) * 2020-08-07 2022-02-10 Marvell Asia Pte Ltd Self-diagnosis for in-vehicle networks
CN113422088B (zh) * 2021-06-28 2023-02-17 太原理工大学 一种氢燃料电池空气供给系统及其解耦控制方法
CN114460484B (zh) * 2021-07-15 2024-01-09 崔跃芹 一种基于累计耗损量的充电电池寿命预测方法和装置
CN113839072B (zh) * 2021-09-10 2023-02-28 湖南大学 一种燃料电池服役稳定性控制方法及系统
CN114583221B (zh) * 2022-03-16 2024-01-05 中国核能电力股份有限公司 一种电堆衰减寿命的测算方法
CN114944502B (zh) * 2022-04-28 2024-03-12 清华大学 一种延长固体氧化物燃料电池系统寿命的控制方法
CN115207412A (zh) * 2022-07-29 2022-10-18 上海捷氢科技股份有限公司 一种工作条件调整方法、装置、电子设备和存储介质
CN118465564B (zh) * 2024-07-11 2024-09-24 中国石油大学(华东) 一种固体氧化物燃料电池服役寿命预测和优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102414569A (zh) * 2009-02-24 2012-04-11 赫利恩公司 确定电化学装置的健康状态的方法
KR20170122367A (ko) * 2016-04-26 2017-11-06 현대자동차주식회사 연료전지 웨이크업 신호 제어 방법 및 시스템
CN108306029A (zh) * 2017-01-06 2018-07-20 通用电气公司 用于燃料电池系统中的分布式故障管理的系统和方法
CN109459671A (zh) * 2018-09-27 2019-03-12 国网浙江省电力有限公司湖州供电公司 一种基于遗传算法的改进神经网络的开关柜状态监测方法
CN109840593A (zh) * 2019-01-28 2019-06-04 华中科技大学鄂州工业技术研究院 诊断固体氧化物燃料电池系统故障的方法及设备
CN110688746A (zh) * 2019-09-17 2020-01-14 华中科技大学 一种确定sofc系统最优操作点的方法
CN111063919A (zh) * 2019-12-12 2020-04-24 清华大学 燃料电池阳极状态监测方法
CN111129548A (zh) * 2019-12-27 2020-05-08 南京航空航天大学 一种改进粒子群优化模糊pid燃料电池温度控制方法
CN111342086A (zh) * 2020-02-29 2020-06-26 同济大学 一种燃料电池空气过氧比与流量压力协同控制方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5000412B2 (ja) * 2007-07-27 2012-08-15 東京瓦斯株式会社 固体酸化物形燃料電池システムの運転温度制御法
US8192879B2 (en) * 2008-02-06 2012-06-05 GM Global Technology Operations LLC Method for maximum net power calculation for fuel cell system based on online polarization curve estimation
CN109240078A (zh) * 2018-10-29 2019-01-18 东南大学 一种燃料电池电压的模糊自适应pid控制方法
CN109683093B (zh) * 2019-02-01 2020-01-21 清华大学 燃料电池寿命预测方法、预测装置及计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102414569A (zh) * 2009-02-24 2012-04-11 赫利恩公司 确定电化学装置的健康状态的方法
KR20170122367A (ko) * 2016-04-26 2017-11-06 현대자동차주식회사 연료전지 웨이크업 신호 제어 방법 및 시스템
CN108306029A (zh) * 2017-01-06 2018-07-20 通用电气公司 用于燃料电池系统中的分布式故障管理的系统和方法
CN109459671A (zh) * 2018-09-27 2019-03-12 国网浙江省电力有限公司湖州供电公司 一种基于遗传算法的改进神经网络的开关柜状态监测方法
CN109840593A (zh) * 2019-01-28 2019-06-04 华中科技大学鄂州工业技术研究院 诊断固体氧化物燃料电池系统故障的方法及设备
CN110688746A (zh) * 2019-09-17 2020-01-14 华中科技大学 一种确定sofc系统最优操作点的方法
CN111063919A (zh) * 2019-12-12 2020-04-24 清华大学 燃料电池阳极状态监测方法
CN111129548A (zh) * 2019-12-27 2020-05-08 南京航空航天大学 一种改进粒子群优化模糊pid燃料电池温度控制方法
CN111342086A (zh) * 2020-02-29 2020-06-26 同济大学 一种燃料电池空气过氧比与流量压力协同控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Influence of failure modes on PEFC stack and single cell performance and durability;Radev, Ivan等;《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》;20130429;第38卷(第17期);第7133-7139页 *
全功率燃料电池汽车动力系统优化设计与能量管理;纪人桓;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20201015;第2020卷(第10期);第C035-59页 *
平板式固体氧化物燃料电池系统的动态建模与控制;蒋建华;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20141015;第2014卷(第10期);第C042-100页 *

Also Published As

Publication number Publication date
CN112736268A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112736268B (zh) 一种提高sofc系统寿命的控制优化方法和系统
Chen et al. Multi-criteria assessment and optimization study on 5 kW PEMFC based residential CCHP system
Ding et al. Multi-objective optimization for an integrated renewable, power-to-gas and solid oxide fuel cell/gas turbine hybrid system in microgrid
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和系统
CN106654319B (zh) 一种基于变异粒子群和差分进化混合算法的pemfc系统温度建模方法
Niknam et al. Combined heat, power and hydrogen production optimal planning of fuel cell power plants in distribution networks
CN103969593B (zh) 一种确定固体氧化物燃料电池系统参数的方法
Wu et al. Study on medium and long-term generation expansion planning method considering the requirements of green low-carbon development
Li et al. Capacity configuration optimization of a hybrid renewable energy system with hydrogen storage
Fragiacomo et al. Semi‐empirical development of a novel and versatile multiobjective optimization tool for co/trigeneration energy system design
CN110222867A (zh) 一种热电联供型微网经济运行优化方法
Lv et al. Modeling & dynamic simulation of high-power proton exchange membrane fuel cell systems
CN112886036A (zh) 一种基于改进灰狼优化的pemfc供气系统控制策略
CN115172818A (zh) 一种多电堆sofc发电系统操作参数优化方法
CN112116122B (zh) 一种提升电网灵活性的楼宇热电联产系统运行优化方法
Salim et al. A parameter identification approach of a PEM fuel cell stack using particle swarm optimization
CN113988578A (zh) 计及可靠性的微电网群源网荷储协同优化调度方法及系统
Mou et al. An Optimal Allocation Strategy for Multienergy Networks Based on Double‐Layer Nondominated Sorting Genetic Algorithms
Cheng et al. Performance degradation and fault mechanisms based solid oxide fuel cell system multimode modeling and analysis
Yang et al. Coordinated Optimal Configuration Method of Hybrid Energy Storage Systems in Energy Internet System
CN110085889A (zh) 一种采用低温sofc的分布式发电控制系统及方法
Ancona et al. Optimal Design of Renewable Hydrogen Production for Gas Turbine Test Facilities
Xu et al. Cold start control of solid oxide fuel cell-internal combustion engine system
Guan et al. Agent-Based Modeling of Small-Scale Clean Energy System Using Deep Reinforcement Learning
Xu et al. Research on Voltage Stability Control Method of SOFC Based on Fuzzy PI Algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant